基于深度学习的吉林一号光谱卫星影像分辨率重建.pdfVIP

基于深度学习的吉林一号光谱卫星影像分辨率重建

中文摘要

（作者：靳道明指导教师：吴琼）

随着遥感技术的应用领域越来越广泛，对高分辨率遥感影像的需求也日益增

加。因此，如何获取高质量高分辨率的遥感影像成为研究的热点问题，传统方法

是将全色图像中的高频空间信息用特定算法提取，以叠加或替换某一分量的方式

弥补多光谱数据分辨率不足的问题。然而传统方法提取特征的算法较为固定，易

出现光谱或空间畸变。近年来，随着机器学习方法逐渐兴起，以卷积神经网络为

代表，展现出强大的复杂数据处理能力和特征提取的潜力，为遥感图像分辨率重

建领域提供了新的思路。

本文以吉林一号光谱卫星影像数据为例，从光谱和空间分量角度出发，提出

了多特征融合的双通道网络，在光谱通道中加入残差结构以保持原始图像的光谱

特性，在空间通道中加入了多尺寸卷积核提取不同尺度的特征信息，并将空间通

道中的多个层次特征进行融合，以提取全色网络中的高频空间信息，并在最后用

通道注意力模块对多种特征的贡献度进行自适应调整，将结果与传统双三次卷积

插值和GS方法以及PanNet经典网络进行对比。为了定量分析全色图像在分辨

率重建中的作用，本文用吉林一号光谱卫星影像分别制作了多光谱和多光谱加全

色两种数据集，对网络进行训练。从重建结果图像的图像质量和波段独立性两个

角度进行定量分析，以评价全色数据对重建图像的影响。

结果表明，与传统双三次卷积插值与GS融合方法相比CNN有明显的优势，

两种传统方法往往只注重与光谱或空间质量，而CNN方法的优势主要体现在重

建过程中平衡空间和光谱的关系，能够同时在两个分量上取得较好的结果，因此

有更好的综合质量。与PanNet网络的重建结果图像相比，本文的重建图像质量

在光谱分量的提升幅度约为5%，而在空间分量上的提升幅度约为6%。在两种不

同数据集的结果比较中表明，全色图像在分辨率重建过程中不仅在空间分量提供

高频信息，也一定程度的补充了重建图像的光谱信息。重建后的图像质量在空间

分量上的提升幅度约为20%，在光谱分量上的提升幅度约为6%。在4倍重建中，

使用两个数据集训练网络得到的结果基本相同，说明全色数据在重建过程中的作

I

用不大，其原因可能是多光谱数据中的信息和全色信息差异过大时，网络在提取

对应高频信息的时候存在困难。在后续的研究中，需要探索其他的网络结构或方

法以更高效率的对全色数据中的高频空间信息进行提取。

关键词：吉林一号光谱卫星，多光谱遥感影像，深度学习，超分辨率重建，

全色图像锐化，双通道网络。

II

ResolutionReconstructionBasedonDeepLearningUsingJilin-1

SpectrumSatelliteImages

Abstract

(Author:JinDaomingTutor:WuQiong)

Withtheapplicationofremotesensingtechnologyisbecomingwiderandwider,

thedemandforhigh-resolutionremotesensingimagesisincreasing.Therefore,how

toobtainthehighqualityofhighresolutionremotesensingimageisbecomingahot

spotofresearchproblem,traditionalmethodsishighfrequencyinformat